基于神经网络的冷鲜猪肉的货架期预测方法

摘要

本发明公开了一种基于神经网络的冷鲜猪肉的货架期预测方法，包括：构建冷鲜猪肉菌落总数预测初始模型；将输入样本输入到所述冷鲜猪肉菌落总数预测初始模型中进行训练，得到冷鲜猪肉菌落总数预测模型；将需要预测的冷鲜猪肉的初始菌落总数以及其贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据输入到所述冷鲜猪肉菌落总数预测模型中，计算得到所述冷鲜猪肉的预测菌落总数；根据所述冷鲜猪肉的预测菌落总数计算其货架期，即得到所述冷鲜猪肉的预测货架期。本发明提供一种基于神经网络的冷鲜猪肉的货架期预测方法，根据冷鲜猪肉的贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间对冷鲜猪肉的货架期进行预测。

说明书

技术领域

本发明涉及肉品质量预测领域。更具体地说，本发明涉及一种基于神经网络的冷鲜猪肉的货架期预测方法。

背景技术

目前，市售猪肉主要有冷鲜肉、热鲜肉和冷冻肉三种。冷鲜肉又称为冷却肉，在整个加工和物流运输过程中，此类猪肉始终处于0-4℃低温环境下。冷鲜猪肉因其美味的口感和高营养价值等优点，正逐步占据传统热鲜肉和冷冻肉的市场，消费比例逐渐增加。中商产业研究院《2016-2021年中国猪肉行业市场调研与投资机会研究报告》中指出，2005-2015年间，猪肉产量的年增长率为1.88％，其中冷鲜肉的增长速度最快，由2％增至20％，而热鲜肉则由89％降至60％，并预计冷鲜肉将会保持增长的趋势，成为未来生鲜猪肉生产和消费的主要发展方向。目前，大多数研究报道中猪肉货架期预测模型的建立均以腐败微生物预测模型为基础，进而预测食品货架期，却忽略了对其它品质指标的关注，使得研究存在一定的局限性。

发明内容

本发明的目的是提供一种基于神经网络的冷鲜猪肉的货架期预测方法，根据冷鲜猪肉的贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间对冷鲜猪肉的货架期进行预测。

为了实现根据本发明的这些目的和其它优点，提供了一种基于神经网络的冷鲜猪肉的货架期预测方法，包括：

采用神经网络模型构建冷鲜猪肉菌落总数预测初始模型；

获得多份冷鲜猪肉样品的初始菌落总数以及其贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据，并检测冷鲜猪肉最终的菌落总数；

将冷鲜猪肉的初始菌落总数以及贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据作为输入样本，以冷鲜猪肉最终的菌落总数作为期望输出，输入到所述冷鲜猪肉菌落总数预测初始模型中进行训练，得到冷鲜猪肉菌落总数预测模型；

将需要预测的冷鲜猪肉的初始菌落总数以及其贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据输入到所述冷鲜猪肉菌落总数预测模型中，计算得到所述冷鲜猪肉的预测菌落总数；

根据所述冷鲜猪肉的预测菌落总数计算其货架期，即得到所述冷鲜猪肉的预测货架期。

优选的是，所述的一种基于神经网络的冷鲜猪肉的货架期预测方法中，根据所述冷鲜猪肉的冷鲜猪肉预测菌落总数计算其货架期的方法如下：

SL＝LPD-[(N

其中，SL为冷鲜猪肉的货架期，d；LPD为冷鲜猪肉微生物生长的迟滞期，d；N

优选的是，所述的一种基于神经网络的冷鲜猪肉的货架期预测方法中，所述冷鲜猪肉的微生物生长的迟滞期如式2、式4和式6任一项所示，所述冷鲜猪肉的微生物生长的最大比生长速率如式3、式5和式7任一项所示:

LPD＝1/[0.205(T+9.3010)]

u

其中，T为冷鲜猪肉的储藏温度；

LPD＝0.2331+0.0311m-0.0084n (4)

u

其中，m为冷鲜猪肉的储藏时气体中氧气的体积含量，％；n为冷鲜猪肉的储藏时气体中二氧化碳的体积含量，％；

LPD＝1/[0.0025(H+194.72)]

u

其中，H为冷鲜猪肉的储藏湿度。

优选的是，所述的一种基于神经网络的冷鲜猪肉的货架期预测方法中，通过式1、式2和式3计算得到第一预测货架期SL

通过式1、式4和式5计算得到第二预测货架期SL

通过式1、式6和式7计算得到第三预测货架期SL

取SL

优选的是，所述的一种基于神经网络的冷鲜猪肉的货架期预测方法中，计算得到所述冷鲜猪肉的预测货架期后，还包括：

采用神经网络模型构建冷鲜猪肉挥发性盐基氮含量预测初始模型；

获得多份冷鲜猪肉样品的初始挥发性盐基氮含量以及其贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据，并检测冷鲜猪肉最终的挥发性盐基氮含量；

将冷鲜猪肉的初始挥发性盐基氮含量以及贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据作为输入样本，以冷鲜猪肉最终的挥发性盐基氮含量作为期望输出，输入到所述冷鲜挥发性盐基氮含量预测初始模型中进行训练，得到冷鲜猪肉挥发性盐基氮含量预测模型；

将需要预测的冷鲜猪肉的初始挥发性盐基氮含量以及其贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据输入到所述冷鲜猪肉挥发性盐基氮含量预测模型中，计算得到所述冷鲜猪肉的预测挥发性盐基氮含量，其中贮藏时间采用之前计算的所述冷鲜猪肉的预测货架期；

设定冷鲜猪肉腐败时挥发性盐基氮含量的阈值，若计算得到的预测挥发性盐基氮含量小于所述阈值，则认定所述预测货架期有效。

本发明集成基于微生物生长指标的货架期预测和基于品质理化指标的神经网络预测模型共同构建冷鲜猪肉的品质预测方法，综合应用两种模型能够相互参考，从微生物指标和品质理化指标两个方面更加准确地预测猪肉的货架期及品质状况。

具体实施方式

下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明的实施例提供一种基于神经网络的冷鲜猪肉的货架期预测方法，包括：

S1、采用神经网络模型构建冷鲜猪肉菌落总数预测初始模型；上述模型采用现有的RBF神经网络模型即可，本处不再累述；

S2、获得多份冷鲜猪肉样品的初始菌落总数以及其贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据，并检测冷鲜猪肉最终的菌落总数；

S3、将冷鲜猪肉的初始菌落总数以及贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据作为输入样本，以冷鲜猪肉最终的菌落总数作为期望输出，输入到所述冷鲜猪肉菌落总数预测初始模型中进行训练，得到冷鲜猪肉菌落总数预测模型；

S4、将需要预测的冷鲜猪肉的初始菌落总数以及其贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据输入到所述冷鲜猪肉菌落总数预测模型中，计算得到所述冷鲜猪肉的预测菌落总数；

S5、根据所述冷鲜猪肉的预测菌落总数计算其货架期：

SL＝LPD-[(N

其中，SL为冷鲜猪肉的货架期，d；LPD为冷鲜猪肉微生物生长的迟滞期，d；N

其中，所述冷鲜猪肉的微生物生长的迟滞期如式2、式4和式6任一项所示，所述冷鲜猪肉的微生物生长的最大比生长速率如式3、式5和式7任一项所示:

LPD＝1/[0.205(T+9.3010)]

u

其中，T为冷鲜猪肉的储藏温度；

LPD＝0.2331+0.0311m-0.0084n (4)

u

其中，m为冷鲜猪肉的储藏时气体中氧气的体积含量，％；n为冷鲜猪肉的储藏时气体中二氧化碳的体积含量，％；

LPD＝1/[0.0025(H+194.72)]

u

其中，H为冷鲜猪肉的储藏湿度；

通过式1、式2和式3计算得到第一预测货架期SL

通过式1、式4和式5计算得到第二预测货架期SL

通过式1、式6和式7计算得到第三预测货架期SL

取SL

S6、计算得到所述冷鲜猪肉的预测货架期后，还包括：

A、采用神经网络模型构建冷鲜猪肉挥发性盐基氮含量预测初始模型；

B、获得多份冷鲜猪肉样品的初始挥发性盐基氮含量以及其贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据，并检测冷鲜猪肉最终的挥发性盐基氮含量；

C、将冷鲜猪肉的初始挥发性盐基氮含量以及贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据作为输入样本，以冷鲜猪肉最终的挥发性盐基氮含量作为期望输出，输入到所述冷鲜挥发性盐基氮含量预测初始模型中进行训练，得到冷鲜猪肉挥发性盐基氮含量预测模型；

D、将需要预测的冷鲜猪肉的初始挥发性盐基氮含量以及其贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据输入到所述冷鲜猪肉挥发性盐基氮含量预测模型中，计算得到所述冷鲜猪肉的预测挥发性盐基氮含量，其中贮藏时间采用之前计算的所述冷鲜猪肉的预测货架期；

E、设定冷鲜猪肉腐败时挥发性盐基氮含量的阈值，若计算得到的预测挥发性盐基氮含量小于所述阈值，则认定所述预测货架期有效。

该实施例中，用于食品的腐败变质是指食品成分在以微生物为主的各种因素的作用下，食品原有物理或化学性质发生改变，食品表现为营养价值降低且无法食用的状态。其实质是腐败微生物产生的酶分解食品中蛋白质、脂肪和碳水化合物等的过程。影响冷鲜肉腐败有内部因素和外部因素两大类，肉品组织自身的含水量、营养成分、pH值、生物结构和抗菌成分等，称为内部因素。外部因素主要包括环境温度、相对湿度、包装技术、竞争性菌群、防腐剂和抗氧化剂等。对于特定的冷鲜肉而言，影响冷鲜肉的品质主要是外在影响因素。所以本实施例中选取贮藏温度、贮藏气体环境、贮藏湿度和贮藏时间数据作为输入样本，对于上述因素：

1、低温环境通常可有效抑制冷鲜肉中大部分微生物的增殖速度，但若冷链控制系统出现故障，环境温度将随之升高，将导致微生物的快速增殖及酶活性提高，加快鲜肉腐败变质的速度。温度作为影响猪肉品质变化的环境因素之一，肉品中所发生的酶促反应、生物化学变化、解僵成熟时间、微生物生长繁殖均受温度的制约；

2、冷鲜猪肉中常见的包装方式包括气调包装、托盘包装、真空包装和活性包装等。气调包装作为目前最受关注的包装方式，其通过将肉类食品密封于优良的混合气体环境中，抑制腐败微生物增殖的同时隔离外界污染，达到延长肉品货架期的目的。气调包装的常用气体主要包括氧气(O

3、水分在肉类原料成分中占据重要的比例，约为总量的50％-70％。肉类中的水分通常被分为蛋白结合水(Protein-associated water)、不易流动水(Immobilized water)和自由水(Free water)三种。蛋白结合水与蛋白质结合紧密，流动性很小，不易受到强烈理化因素的影响，且可与包括不易流动水在内的其他水分子进行相互转换；在肉类僵直及成熟阶段，存在于纤丝、肌原纤维及膜之间的不易流动水的转变可导致肌肉细胞结构发生改变；自由水也叫毛细管水，存在于肌质间，具有溶解各种溶质的特性，可被微生物利用从而导致肉品腐败。在畜禽宰后肌肉僵直收缩阶段，自由水被挤出，造成汁液流失。食品中自由水的含量可随环境中温湿度的改变而改变，因此控制贮藏环境中的相对湿度对肉品质量和食用安全显得十分重要。有研究表明发现牛肉表面微生物的生长速率受冰箱内相对湿度的影响。水分活度(water activity，Aw)是指食品在恒定的温度和压力下、密闭容器中达到平衡状态时的水分蒸汽压与该温度下纯水的饱和蒸汽压的比值，是影响肉品保鲜的重要栅栏因子。水分活度描述了与食品安全稳定性直接相关的那部分“可用性”水，对食品安全检验有一定的意义。有研究表明：化学反应速率和微生物生长速率随着Aw值的升高而加快，进而食品的保存期缩短。

鲜肉的腐败是指肉中各种成分被分解，导致色泽、气味、质地等发生变化，如颜色变为绿色、黄色，产生腐臭味，肉表面出现粘液等现象。鲜肉的腐败主要有三个原因，一是微生物代谢活动产生的活性酶引起的，二是自身酶的活性造成的，三是物理化学因素，其中微生物代谢活动是造成鲜肉腐败变质的主要原因。新鲜肉内部是无菌的，因此肉中存在的微生物是在加工流通过程中由环境微生物造成的二次污染。由《食品安全国家标准鲜(冻)畜、禽产品》(GB 2707-2016)和《分割鲜、冻猪瘦肉》(GB/T 9959.2-2008)以及国外的研究可知，评价肉类品质的指标主要包括感官品质(色泽、气味、组织状态等)、微生物菌落总数、挥发性盐基氮(Total volatile basic nitrogen，TVB-N)、pH等。其中，TVB-N常作为评价肉类品质的重要指标，TVB-N值＞15mg/100g，即为变质肉。TVB-N值增长与猪肉中微生物活动和内源酶的活性密切相关，其成分是微生物分解蛋白质或非蛋白质物质形成的。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。